科学技術情報通信部と韓国知能情報社会振興院（NIA）は8月27日、政府の「独自AI基盤モデル」事業に参加する5チームが構築した学習データ29種を、AI Hubで無償公開すると発表した。公開対象は、第1段階評価に参加したチームが整備したデータで、総数は約3544万件、トークン換算で約1.56兆トークンに上る。

公開されるのは、Naver Cloud、Upstage、SK Telecom、NC AI、LG AI Researchの5チームが、それぞれのモデル開発戦略に合わせて企画・構築したデータだ。政府は昨年、データの構築・加工に150億ウォン規模の予算を支援していた。

データには、事前学習向けの大規模テキストに加え、動画・音声などのマルチモーダルデータ、高度な推論やAIエージェント開発向けの事後学習データ、モデルの安全性を検証するレッドチーミングデータが含まれる。

内訳は、動画、音声、専門ドメイン、フィジカルAI、レッドチーミングなど計29種。理論上は70B〜80B級の大規模AIモデルを学習できる水準だという。

Upstageは、約1兆トークン規模の事前学習データと、50万件の事後学習データを構築した。事前学習データは大規模モデルをゼロから学習するフロムスクラッチ方式に、事後学習データは推論・判断・実行能力が求められるAIエージェント開発に活用できるとしている。

Naver Cloudは、動画理解と生成AI学習に重点を置いた。公開動画234万件、放送動画52万件に加え、動画クリップベースのテキスト1550万件、音声Q&A1200万件を整備した。テキストには、場面を文単位で説明するキャプションなどが含まれており、動画理解モデルや画像生成モデルの学習に活用できるという。

SK Telecomは、数学、科学、法律などの専門分野における高難度・多段階推論データと、音声・画像ベースの事後学習データを用意した。国内法令や韓国社会の普遍的価値観を反映した「韓国型レッドチーミングデータ」約1万件も含まれており、実務課題の解決力向上と安全性・信頼性の検証に軸足を置く。

NC AIは、製造業の技術文書や苦情相談の音声など、産業現場のデータを基に、LLMの中核能力に関する7種のデータを構築した。長文脈理解、段階的推論、マルチターン対話、Q&A、マルチモーダル学習などに対応し、テキスト・画像・音声を統合した学習や事後学習性能の高度化に活用できるとしている。

LG AI Researchは、フィジカルAI向けデータの構築に注力した。国内50の実際の家庭環境で50種類以上の家事活動を撮影し、17万件超の動画クリップを整備。物体、セグメンテーション、姿勢、文脈情報などを多層的にラベリングし、ビジョンモデルやビジョン言語モデル（VLM）の学習、フィジカルAI研究、商用サービス開発に活用可能だとしている。

科学技術情報通信部は、データ公開に先立ち、NIAと韓国情報通信技術協会（TTA）を通じて品質検証と個人情報・有害性の点検を実施した。ライセンス上の制約があるデータは公開対象から除外した。

事業公募の条件では、政府のデータ構築・加工予算で確保したデータについて、50％以上の公開が義務付けられている。Naver Cloud、Upstage、SK Telecom、NC AIの4チームは、品質検証などを終えたデータをすべて公開する方針だ。LG AI Researchは、義務基準である50％以上を満たすよう、統計的に対象を選別して公開する。

公開された29種のデータは、AI Hub内の「独自AIモデルデータ」項目から、誰でも無償でダウンロードして利用できる。チーム別、データ種別での検索にも対応する。一部データは、セキュリティを確保したオンラインAI開発環境「安心ゾーン」を通じ、別途申請のうえ利用可能となる。

科学技術情報通信部は今後、第2段階評価で新たに構築されるデータについても、品質検証を経たうえで追加公開する方針を示した。

キム・ギョンマン科学技術情報通信部人工知能政策室長は「独自AI基盤モデル事業は、開発過程で蓄積された経験やノウハウを通じて、AIエコシステム全体の質的成長に寄与する点に意義がある」とコメント。「今回公開したデータが、AIエコシステムの成長と自律的成長力の強化につながる基盤になることを期待する」と述べた。